Sie sind auf Seite 1von 3

6

RUBRIK

Saubere Adressdaten zahlen sich aus

Software hilft bei Bereinigung der Kundeninfor- mationen

Die Liberalisierung des Energiemarkts stellt hohe Anforderungen an die administrativen Aufgaben der Versor- gungsunternehmen. Weil immer mehr Kunden ihren Anbieter wechseln und die Branche durch Fusionen und Aufkäufe ständigen Veränderungen ausgesetzt ist, spielt die Datenqualität eine besonders wichtige Rolle. Denn zuverlässige Kundendaten bilden die Grundvoraussetzung dafür, die Prozesskosten im Unternehmen niedrig zu halten und schnelle, zuverlässige und hochwertige Informationen bereitstellen zu können.

VON DR. HOLGER WANDT

Die Energiemärkte sind in Bewegung – und zwar im wahrsten Sinne des Wortes. Einer- seits verändert sich die Branchenlandschaft durch ständige Fusionen und Zukäufe, zum anderen treiben steigende Energiepreise die Kunden erstmalig dazu, ihre Strom- und Gasversorger auf den Prüfstand zu stellen und im Zweifelsfall den Anbieter zu wech- seln. Allein im ersten Halbjahr 2007 wech- selten über eine halbe Million Verbraucher ihren Stromversorger. Dieser Trend hält an:

So erwartet Matthias Kurth, Präsident der Bundesnetzagentur in Bonn, dass bis Ende des Jahres mindestens doppelt so viele Kun- den wie im Vorjahr ihren Stromlieferanten gewechselt haben. Im Bereich Gas, so die Prognose, könnte sich die Zahl der Wechsler im Vergleich zum Jahr 2006 sogar verzwan- zigfachen. Angesichts dieser Zahlen wird deutlich: Nie war Kundenservice für Ener- gieversorger so wichtig wie heute, noch nie war der sorgfältige Umgang mit den Debito- ren- und Kreditorendaten für die Dienstleis- ter von einer derart strategischen Bedeu- tung.

Fehlertoleranter Zugriff

Doch angesichts der vielen Millionen Kun- den, die Energieversorgungsunternehmen heute in ihren Datenbanken verwalten, las- sen sich die erforderliche richtige Kundenan- sprache, der schnelle, fehlertolerante Daten- zugriff sowie die Identifikation und Vermei-

dung von Dubletten keinesfalls einfach reali- sieren. Denn viele der in den Datenbanken gespeicherten Debitoren wurden noch in der Steinzeit der Datenverarbeitung – also vor noch nicht einmal 15 Jahren – erfasst. Da et- liche Datenbankfelder damals speicherplatz- sparend angelegt wurden, sind sie für heuti- ge Software-Anwendungen oft ungeeignet.

So erfolgte bei der Eingabe früher beispiels- weise lediglich eine formale Namensprüfung auf Gleichheit oder Ähnlichkeit. Tippfehler, wie z. B. Buchstabendreher in Namen, konn- ten nicht erkannt werden. Der Abgleich der Kundenadressen wurde zwar hinsichtlich korrekter Postleitzahl und korrektem Ort durchgeführt, die Straße wurde dabei jedoch meist nicht berücksichtigt. Das führt zu pos- talisch unkorrekten Daten und – etwa beim Versand von Kundenzeitschriften oder Mar- ketinginformationen – zu Rückläufen, die viel Bearbeitungszeit und erhebliche Kosten verursachen.

leisten. Denn fehlerhafte oder doppelt erfas- ste Datenbestände resultieren nicht selten in unzustellbaren Rechnungen, in Einzugser- mächtigungen, die nicht vollzogen werden können, oder in nicht abrechenbaren Ver- brauchsstellen.

Kein Wunder also, dass die Sensibilität für das Thema auch im Kerngeschäft der Ener- gieversorger wächst. So lassen sich bei- spielsweise Umsatzeinbußen reduzieren, in- dem die aufgrund fehlerhafter Datensätze nicht abrechenbaren Verbrauchsstellen dezi- miert werden. Das lohnt sich, wie folgendes Rechenbeispiel zeigt: Ein modellhafter Ener- gieversorger mit 250.000 Tarifkunden und ei- nem durchschnittlichen Jahresumsatz von rund 600 Euro je Zähler verschenkt bei nur zwei Prozent nicht abrechenbarer Ver- brauchsstellen jährlich stolze drei Millionen Euro. Eine Ertragsschmälerung, die sich an- gesichts des zunehmenden Wettbewerbs-

Eine hohe Daten- qualität ist allerdings nicht nur für einen guten Kundenser- vice unerlässlich. Auch rein wirt- schaftlich betrachtet können sich Ener- gieversorger Daten- verschmutzung in ihren Stammdaten heute nicht mehr

Abb. 1 Data Quality Lifecycle
Abb. 1
Data Quality Lifecycle

HEFT 5|07

sich Ener- gieversorger Daten- verschmutzung in ihren Stammdaten heute nicht mehr Abb. 1 Data Quality Lifecycle

drucks kein Anbieter mehr leisten kann. Auch für die strategische Ausrichtung der Unternehmen ist eine zuverlässige Qualität der Kundeninformationen unverzichtbar. Sie entscheidet beispielsweise im Rahmen um- fassender Simulationen darüber, welche Netzstrecken in Zukunft ausgebaut werden. Basieren die Simulationen auf fehlerhaften Daten, ist selbst die beste Planung schnell obsolet. Das Thema Datenqualität sollte also lieber heute als morgen in den Fokus gerückt werden.

Unterschiedliche Datenqualität in Quellsystemen

Erst recht, weil die Qualität der meist in SAP- R/3-Systemen gespeicherten Lieferanten- und Kundendaten recht unterschiedlich ist:

Tippfehler sowie nicht erfasste Postleitzah- len und Straßennamen verunreinigen den Datenbestand. Obendrein stellen sich be- sonders in den Stammdaten der Kreditoren und Debitoren oft Dubletten ein, die die Qualität nachteilig beeinflussen. Dieses Pro- blem verschlimmert sich beim Import exter- ner Datenbestände in bestehende (interne) Datenbanken. Da es im SAP-Standard keine wirksame Hilfe gibt, um einem möglicher- weise bereits vorhandenen Datensatz auf die Spur zu kommen, ist es fast unmöglich, der- artige Dopplungen zu ermitteln. Kommt es zudem zu Firmenzusammenschlüssen oder dem Aufkauf eines Unternehmens, müssen in der Regel mehrere Datenbanken von un- gleicher Qualität integriert werden.

Deshalb setzen immer mehr Energieversor- ger zur Bereinigung der Stammdatenbestän- de auf intelligente Identifikationssoftware. Wichtig dabei ist, dass die Datenqualitäts- software im SAP-Umfeld als modifikations- freie, SAP-zertifizierte Add-On-Lösung inte- grierbar und gleichzeitig im Branchenumfeld von SAP-ISU (Industry Solution Utilities) und CRM (Customer Relationship Management) einsetzbar ist. Vor diesem Hintergrund bietet sich die schnell implementierbare Software- Lösung "HIquality for SAP" von Human In- ference an. Sie stellt zusätzlich zur SAP- Matchcode-Logik schon im Standard zahlrei- che wissensbasierte Funktionalitäten zur Verfügung. Dazu gehören u. a.:

Funktionalitäten zur Verfügung. Dazu gehören u. a.: HEFT 5|07 RUBRIK die fehlertolerante Online-Suche, die eine

HEFT 5|07

RUBRIK

die fehlertolerante Online-Suche, die eine schnelle und einfache Abfrage von Kundendaten ermöglicht und auch bei eventuell inkorrekten und die eine schnelle und einfache Abfrage von Kundendaten ermöglicht und auch bei eventuell inkorrekten und unvollständigen Eingaben Übereinstimmungen anzeigt.

die Eingabekontrolle, die bereits bei der Online-Eingabe eines – vermeintlich – neuen Kunden automatisch ähnliche Datensätze findet die bereits bei der Online-Eingabe eines – vermeintlich – neuen Kunden automatisch ähnliche Datensätze findet und mögliche Übereinstimmungen meldet.

der interne und externe Dateiabgleich, der bei der Batchverarbeitung oder Inte- gration neuer Datenbestände mögliche Du- bletten aufzeigt. der bei der Batchverarbeitung oder Inte- gration neuer Datenbestände mögliche Du- bletten aufzeigt.

die Umwandlung von Groß- und Klein- schreibung, die auf der Grundlage landesspezifischer Regeln und anerkannter Nomenklatur falsch geschriebene Wörter und fehlplat- die auf der Grundlage landesspezifischer Regeln und anerkannter Nomenklatur falsch geschriebene Wörter und fehlplat- zierte diakritische Zeichen automatisch korrigiert.

feranten- und Kundenstamm nach Eingabe verschiedener Adressbestandteile (Name, Straße, Ort, PLZ) ausfindig machen und po- tentielle Dubletten in einem bestehenden Datenbestand ermitteln. Dabei kann die Aus- gabe der Dubletten sowohl in Form einer Match- als auch als Gruppentabelle vorge- nommen werden.

Neben der Dublettenerkennung im beste- henden Datenbestand ist häufig die Funk- tion der Adressbereinigung für inländische Adressbestände von großer Bedeutung. So werden beispielsweise bei einem Abgleich sowohl von externen Datenbeständen gegen vorhandene (interne) Daten als auch umge- kehrt weitere Tabellen erstellt. Als Output er- hält der Anwender eine Liste von potenziel- len Dubletten, kritischen Datensätzen und Nicht-Dubletten. Die Schlüsselinformationen der externen Datensätze werden jeweils in eine Datei geschrieben. Diese kann dann zur Weiterverarbeitung mit eigenen Program- men genutzt werden.

die Namensvalidierung, die Namen von natürlichen Personen auf ihre Existenz überprüft und die korrekte Verwendung von Präfixen, die Namen von natürlichen Personen auf ihre Existenz überprüft und die korrekte Verwendung von Präfixen, Adelstiteln und verschiedenen anderen Titeln kontrolliert.

die Formatkonvertierung,Adelstiteln und verschiedenen anderen Titeln kontrolliert. die es ermöglicht, unformatiert eingegebe- ne Namen korrekt

die es ermöglicht, unformatiert eingegebe- ne Namen korrekt in das Datenbanklayout einzufügen und so den Zeitaufwand bei der Online-Eingabe und dem Datenimport aus anderen Quel-

len erheblich redu- ziert.

Dadurch können

Energieversorgungs-

unternehmen Du- bletten im Lieferan- ten- und Kunden- stamm sowie bei Ge- schäftspartnern schnell identifizie- ren, Adressen mit fehler- oder lücken- haften Namens- und Adressdaten im Lie-

Postanschriften werden mit Hilfe einer Refe- renzdatei (PLZ-Verzeichnis der Deutschen Post AG) auf ihre Gültigkeit überprüft und gegebenenfalls automatisch angepasst. Ein weiteres hilfreiches Feature: Adressdaten werden durch die so genannte "verkürzte Eingabe" schnell und zuverlässig erfasst. Dabei muss der Anwender nur wenige Na- mens- und Adressbestandteile eingeben und erhält direkt eine Auswahl möglicher pas- sender Datensätze.

Abb. 2 PowerKnowledge
Abb. 2
PowerKnowledge

7

8

RUBRIK

Abb. 3 Data Quality Firewall
Abb. 3
Data Quality Firewall

Enormer Nachholbedarf

Bei der Anzeige von mehrfach vorhandenen Daten werden weitere Informationen, wie z.B. Bankverbindungen, abweichende Zah- lungsempfänger, Partnergesellschafts- und Debitorennummern, angezeigt und die be- reits mit einer Löschvormerkung versehenen Stammdaten farblich hervorgehoben. Wer- den aufgrund dieser zusätzlichen Prüfrouti- ne weitere Dubletten ermittelt, erhält der Anwender eine entsprechende Information und kann die Eingabe entsprechend abbre- chen. Vor allem die große Anwenderfreund-

lichkeit und der dadurch notwendige geringe Schulungsbedarf, der sich auf eine kurze Einweisung am Arbeitsplatz reduzieren lässt, trägt neben der Vielfalt an Funktionen und der leichten Anpassung an die spezifi- schen Bedürfnisse dazu bei, dass bereits et- liche Energieversorger mit der Human-Infe- rence-Lösung den Datenschmutz in ihren Kundendateien beseitigen.

Nicht ohne Grund, hat die Branche doch – was die Qualität der Kundendaten angeht – enormen Nachholbedarf. Und das obwohl

sich sämtliche Experten einig sind: Wer das Thema jetzt nicht anfasst, wird mittelfristig das Nachsehen haben. Denn Datenschmutz beeinflusst nicht nur das operative Ergebnis, sondern ist auch in strategischer Hinsicht untragbar. Schließlich bilden Stammdaten in der Energiewirtschaft auch die Grundlage für wichtige Simulationen – etwa für den ge- planten Ausbau der Stromnetze. Daher soll- te die Verbesserung der Datenqualität nicht allein auf den Schultern der IT-Abteilung las- ten sondern zur Chefsache erklärt werden. Nur so können gültige Kriterien für ein durchgängiges Stammdatenmanagement etabliert, leistungsstarke Lösungen imple- mentiert und Verantwortlichkeiten klar abge-

grenzt werden.

mentiert und Verantwortlichkeiten klar abge- grenzt werden. zur Person Dr. Holger Wandt • Principal Advisor von

zur Person

Dr. Holger Wandt

• Principal Advisor von Human Inference; verantwortlich für alle wissensbezogenen Fragen zur Datenqualität

• Viele Jahre Tätigkeit der Produktentwicklung für Human Inference; als Vorsitzender der EU- Kommision "Address Databases" Zuständigkeit für Entwicklung der Standardisierung von Na- men und Adressen auf EU-Ebene

• Studienleiter der Masterclass Data Quality Management an der "Nyenrode Buisness Uni- versiteit" und Dozent der linguistischen Fakul- tät an der Universität Utrecht

HEFT 5|07

Buisness Uni- versiteit" und Dozent der linguistischen Fakul- tät an der Universität Utrecht HEFT 5|07